Professional Documents
Culture Documents
Modelo
1i n
Y X
y1 1 x 11 x p11 1
y 0
1 x 12 x p12 1
Y
2 2
X
y
n 1 x 1n x p1n p1 n
En forma análoga al modelo de regresión lineal simple los residuos ei, son el “equivalente”
muestral de los errores i .
Los residuos son las diferencias entre el valor observado y el valor predicho:
ei = yi - yˆ i
Los residuos miden el error de predicción. Si el valor observado es mayor que el valor predicho
(yi > ŷ i ) el residuo es positivo; en caso contrario es negativo. Con una predicción perfecta
(yi = ŷ i ) resulta un residuo nulo.
La suma de los cuadrados de los residuos (SCRes) refleja la precisión y exactitud global de
nuestras predicciones:
n n
SCRes ei2 y i yˆ i 2 .
i 1 i 1
1
Breve resumen sobre Regresión Lineal Múltiple
Estadística para Administradores-Girimonte
1i n
¿Cómo estimamos ?
Como los errores no los conocemos, los estimamos con los residuos:
ei = yi - yˆ i .
Propiedades:
1. E(ˆi ) i
2. E(CM Re s) 2
ˆi i
4. ~ t n p
cii CMRes
2
Breve resumen sobre Regresión Lineal Múltiple
Estadística para Administradores-Girimonte
Ya hemos visto en regresión lineal simple que R 2 como porcentaje representa el porcentaje de
variación de la variable respuesta que puede ser explicada por el modelo.
SC Re g SC Re s
R2 1
SCT SCT
Cuando se trabaja con más de una variable explicativa, es recomendable trabajar con el R 2
ajustado, dado que al agregar variables explicativas al modelo solo puede aumentar el valor de
R 2 y nunca reducirlo, por esto se sugiere el uso del coeficiente de determinación múltiple
ajustado
SC Re s
n p
Ra2 1
SCT
n 1
H0 : i 0 vs. H1 : i 0
ˆi
Rechazamos H0 si t cal t n p , / 2
ˆ ˆ
i
Puede realizarse un análisis de la varianza como para la regresión lineal simple, y analizar la
significación global de la regresión.
Las hipótesis que se plantean son:
H 0 : i 0 i 1,..., p vs. H1 : a lg ún i 0